Hvordan Google Analytics regner ut lengde på besøk
Lengde på besøk, både per side og på nettstedet i sin helhet, er to av de mange nyttige rapportene man finner i Google Analytics. Lengde på besøk er en god pekepinn på hvor engasjerende nettstedet ditt oppleves for dine brukere/besøkende. Det er også et viktig tall å holde øye med etter at man har gjort endringer på siden, og det kan gi en indikasjon på effektiviteten og treffsikkerheten av et markedsføringsinitiativ.
Det er derimot ikke sagt at jo lengre tid i snitt en bruker besøker deg, jo bedre er det. Google selv, for eksempel, har et uttalt mål om at hver bruker skal oppholde seg så kort som mulig på deres domene, ihvertfall med tanke på søketjenester. For andre websider er nok lengre besøkslengde ensbetydende med mer penger i kassa, da gjennom høyere annonseinntekter.
Hvor finner man informasjon om lengde på besøk i Google Analytics
Det er to ting det er hensiktsmessig å fokusere på når man snakker om lengde på besøk. Nemlig gjennomsnittlig tid på nettsted, og gjennomsnittlig tid på side. Førstnevnte ser på tiden for hele besøket, mens sistnevnte ser på hvor lang tid man oppholder seg på en eller flere sider i snitt.
Informasjon om gjennomsnittlig tid på nettsted finnes på dashbordet til Google Analytics:
Informasjon om gjennomsnittlig tid på en eller flere sider, kan man finne under Innhold-kategorien, blant annet i Toppinnhold-rapporten:
Hvordan beregnes lengde på besøk i Google Analytics
Det er vanskelig å komme inn på dette temaet uten å bli veldig teknisk, men kort fortalt setter Google Analytics et tidsstempel på hver bruker som kommer til nettstedet. Dersom en bruker beveger seg videre til neste side på samme nettsted, settes et nytt tidsstempel. Denne prosessen fortsetter til brukeren foretar siste navigering på nettstedet. Når brukeren forlater nettstedet, settes ikke noe tidsstempel, da Google Analytics ikke registrerer en ny sidevisning ved utgang fra nettstedet.
De av dere som har fulgt med så langt, skjønner da at i rapporten Gjennnomsnittlig tid på nettsted, tilsvarer den oppgitte tiden summen av tid på hver side, minus siste sidevisning. Dette kan oppsummeres med følgende regnestykke:
Gj.snitt tid på side * (sider/besøk -1) = Gj.snitt tid på nettsted
Hva skjer da med de som bouncer på nettsiden din? Alle transittstopp (bounces) har tid på nettsted som null. Siden det ikke er to sidevisninger å se på, klarer ikke Google Analytics å se hva tiden på et transittstopp er. Av den grunn teller ikke transittstopp med i gjennomsnittlig tid per side. Dette ville gitt et veldig unøyaktig bilde av hvor lang tid de engasjerte brukerne oppholdt seg på en gitt side. I tid på nettsted, derimot, er transittstopp med i utregningen.
Begrensninger med rapportene
Som vi avdekket over, stiller teknologien bak Google Analytics en del begrensninger i nøyaktigheten av lengde på besøk. Jeg vil anta at i mange tilfeller er den siste sidevisningen den lengste (ihvertfall på blogger), og et transittstopp betyr ikke nødvendigvis at den besøkende snur i døra uten en gang å se seg om. Som i all webanalyse, er det en del tekniske hindre som gjør at man ikke enkelt kan vite nøyaktig hvor lang tid en bruker besøker dine nettsider, da siste sidevisning ikke teller med i totaltid.
For å konkludere, kan vi si at lengde på besøk er svært effektive rapporter for å analysere engasjement hos dine besøkende. Det er også nyttig informasjon å holde øye med dersom man gjør endringer på siden, eller ved å måle effekten av nye former for markedsføring. Grunnet teknologiske begrensninger kan ikke tallene sies å være veldig nøyaktige, derimot. Men, som vi har påpekt mange ganger før her på bloggen, så handler webanalyse om å se trender og forandringer over tid, mer enn å se på absolutte tall. Et fokus på forandring i lengde på besøk før eller etter en endring, kan derfor være en god nøkkelindikator på effektiviteten av endringen.
Godt oppsummert. Google prøvde seg vel også med en alternativ måte å beregne tid på for en tid tilbake. Hvis man ønsker seg begge deler – litt sånn Ole Brum-aktig – kan man vurdere å installere GreaseMonkey-scriptet til ROIRevolution.
De skriver litt om beregning av tid på sider/nettsted her: http://www.roirevolution.com/blog/2008/05/time_on_page_and_time_on_site_how_confident_are_yo.html
Her skriver de litt om scriptet: http://www.roirevolution.com/blog/2008/06/google_analytics_report_enhancer.html
Og her finner man scriptet m.m: http://www.roirevolution.com/blog/2009/08/refresh_rate_the_latest_addition_to_the_gare.html
Jeg har hatt god nytte av dette scriptet, med flere segmenter direkte i rapporter osv.
Hei Anders,
Takk for konstruktivt innspill! ROI Revolution er i bresjen på kunnskap om webanalyse og da spesielt Google Analytics, så det er svært troverdige linker og teknikker du serverer.
Det er tydelig at det ligger noen gjennomtenkte valg fra Google bak en rekke avgjørelser for hvordan lengde på besøk regnes ut. De innrømmer også selv at de har vinglet litt med tanke på logikken bak disse rapportene. De fjernet for eksempel en periode transittstopp fra snitt-tid per besøk, men valgte å gå tilbake på dette etter en runde i tenkeboksen.
Det eksisterer, som du belyser, også mange hacks for hvordan man kan forsøke å regne ut en mer nøyaktig lengde på besøk, hvorav da ROI Revolution har kommet med en interessant metode i deres GARE-skript. Det er strengt tatt heller ikke noe vitenskapelig korrekt svar de klarer å levere, men slik jeg tolker det angir de en ca. tid på alle som bouncer, og erstatter 0-verdien på bounces med denne ca. tiden.
Etter at avanserte segmenter ble lansert er imidlertid time on site-hacken deres noe overflødig. Man kan enkelt implementere et segment som tar for seg alle har som flere enn én sidevisning, og se på deres gjennomsnittlige tid på side (da uten bounces med i beregningen). Når det er sagt, ser det også ut som om GARE-skriptet tilbyr annen funksjonalitet i tillegg, så skriptet i seg selv er fortsatt nyttig (dog har jeg ikke omfattende erfaring med dette skriptet).
Avinash kommer inn på en del fordeler og ulemper med slike hacks, i hans gjennomgang av fenomenet her: http://www.kaushik.net/avinash/2008/01/standard-metrics-revisited-time-on-page-and-time-on-site.html
Til slutt vil jeg si at dette er rimelig avanserte teknikker du er inne på, og med mindre webanalyse er av betydelig interesse eller verdi (slik det er for deg og meg), vil jeg påstå at det lønner seg med større grad av overblikk og mindre grad av detaljfokus. Derfor kom jeg ikke inn på slike hacks i blogginnlegget. Men det er alltid kult å se at andre også er opptatt av dette, og jeg er veldig glad for at det ble nevnt i kommentarfeltet
Hei Kristoffer.
Absolutt enig med deg – vanskelig å komme frem til et vitenskapelig korrekt svar her. Synes uansett det kan være interessant med flere ulike måter å måle de samme tingene på, da man kanskje får en ide om at sannheten ligger et eller annet sted innimellom
Også enig i at fokus kanskje i større grad bør dreie seg om trender/overblikk og ikke detaljer, men tenker som så at det er interessant å følge i de tilfellene man tester nye ting, eller har gjort omfattende endringer på struktur eller innhold. Utviklingen over tid er også interessant ift tid på året, sider om øker/synker osv. Tallet i seg selv er kanskje uinteressant, men utviklingen kan være verdt å få med seg. Og da vil kanskje utviklingen sett med flere ulike måter å regne på også være interessant. Men vi er vel enige om at antall konverteringer er ekstremt mye viktigere enn antakk minutter/sekunder.